Reporte 3
Perceptrón que reconoce un "and"
El Perceptrón es un tipo de red neuronal artificial, también puede entenderse como perceptrón la neurona artificial y unidad básica de inferencia en forma de discriminador lineal, que constituye este modelo de red neuronal artificial, esto debido a que el perceptrón puede usarse como neurona dentro de un perceptrón más grande u otro tipo de red neuronal artificial.
Este es un ejemplo de entrenamiento de Perceptron para el caso de NAND, con un umbral, sesgo y tasa de aprendizaje predeterminados.
threshold = 0.5
learning_rate = 0.1
weights = [0, 0, 0]
training_set = [((1, 0, 0), 1), ((1, 0, 1), 1), ((1, 1, 0), 1), ((1, 1, 1), 0)]
def sum_function(values):
return sum(value * weight for value, weight in zip(values, weights))
while True:
print '-' * 60
error_count = 0
for input_vector, desired_output in training_set:
print weights
result = 1 if sum_function(input_vector) > threshold else 0
error = desired_output - result
if error != 0:
error_count += 1
for index, value in enumerate(input_vector):
weights[index] += learning_rate * error * value
if error_count == 0:
break
El objetivo de esta practica es modificar el código que para el caso de “and”. Modificar los pesos iniciales, la tasa de aprendizaje y el umbral.
A continuación la replica del perceptron con las modificaciones necesarias para el caso AND.
A continuación la replica del perceptron con las modificaciones necesarias para el caso AND.
umbral = 0
tasa = 0.09
pesos = [0, 0, 1]
entrenamientoAND = [((1, 0, 0), 0), ((1, 0, 1), 0), ((1, 1, 0), 0), ((1, 1, 1), 1)]
def sum_function(values):
return sum(value * weight for value, weight in zip(values, pesos))
while True:
print '-' * 60
error_count = 0
for input_vector, desired_output in entrenamientoAND:
print pesos
result = 1 if sum_function(input_vector) > umbral else 0
error = desired_output - result
if error != 0:
error_count += 1
for index, value in enumerate(input_vector):
pesos[index] += tasa * error * value
if error_count == 0:
break
Video

